一种基于gpgpu的非线性非稳态复杂信号自适应分解方法
【技术领域】
[0001] 本发明属于信号分析技术领域，设及一种复杂信号分解方法，尤其设及一种基于 GPGPU的非线性非稳态复杂信号自适应分解方法。
【背景技术】
[0002] 人脑是复杂的非线性系统，脑电信号的研究是当今生命科学的重要前沿领域之 一。脑电信号处理对于脑部相关疾病的检测、诊断和治疗至关重要，然而脑电信号的研究设 及到大量的脑电信号数据的采集和计算，大量神经数据的存储、管理和利用是一个巨大的 挑战。信号分析在实际应用具有大脑是一个高度复杂的非线性、非平稳性系统，脑电信号是 大量神经元活动产生的，也具有非线性、非平稳性的特点。传统的线性时频分析方法，如短 时傅立叶变换、Winger-Ville分布和小波变换等，已经广泛应用于脑电信号的频谱分析中， 但是运些方法的缺点之一就是不能准确估计信号的瞬时振幅和相位/频率（文献[1])。
[0003] 经验模式分解（EmpiricalModeDecomposition,EMD)作为一种可替代的线性方 法，弥补了传统信号分析方法的一些不足，被用于非平稳、非线性的脑电信号分析中。EMD是 一种完全数据驱动方法，不同于小波变换需要利用小波函数来分解复杂的信号，而是可W 直接分解得到一组包含瞬时特征的固有模态函数（IntrinsicMode化nction，IMF)。EMD 已经广泛应用于各种神经信号处理中，例如癒痛信号的检测和预测（文献巧，3])，麻醉状 态（文献[4])和睡眠中（文献[5,6])的脑电信号监测。虽然EMD在处理神经信号方面表 现优异，但当信号出现间歇性中断时，IMF会包含不同程度的大幅震荡，容易产生模态混叠 现象。运也是EMD的最大问题所在，为了克服EMD中出现的混频现象，化ang提出了加噪声 进行辅助信号分析（NoiseAssistedDataAnalysis,NADA)的方法--总体平均经验模式 分角军法巧nsembleEmpiriealModeDecomposition，EEMD)(文南犬[7])。
[0004] EEMD是一种噪声辅助分析方法，算法要求大量的噪声添加，输出的精度取决于进 行白噪声添加试验次数是否足够多。因此EEMD的计算是密集型的，大量的、耗时的计算使 它受限于实时性的应用，因此亟待发明一种快速有效的信号分解方法。
[000引[文献1]赵治栋，唐向宏，赵知劲，等.基于化化ert-HuangTransform的屯、音 信号谱分析[J].传感技术学报，2005, 18 (1) : 18-22.
[0006] [文献 2]FineAS,化chollsDP,MogulDJ.AssessingInstantaneous SynchronyofNonlinearNonstationaryOscillatorsintheBrain[J].Journalof NeuroscienceMethods, 2010. 186(1):42-51.
[0007] [文献 3]LiXLJefferysJGR,ρ·〇χJ,etal..化uronalPopulation OscillationsofRatHippocampusduringEpilepticSeizures[J].Neural 化tworks, 2008, 21(8):1105-1111.
[0008] [文南犬 4]PachoriRB,DiscriminationbetweenIctalandSeizure-free EEGSignalsusingEmpiricalModeDecomposition[J].ResearchLettersinSignal Processing, 2008, 2008:1-5.
[0009] [文献 5]LiXLLiD,LiangZΗ,etal. ,AnalysisofDepthof AnesthesiawithHilbert-HuangSpectralEntropy[J].ClinicalNeurophysiolo gy, 2008, 119(11) :2465-2475.
[0010] [文献 6]CausaLHeldCM,(^lusaJ,etal. ,AutomatedSle邱-spindle DetectioninHealthyChildrenPolysomnograms[J].IEEETransactiononBiomedical Engineering, 2010. 57巧）：2135-2146.
[0011] [文献7]WuZH,HuangNE.linsembleEmpiricalModeDecomposition:ANoise AssistedDataAnalysisMethod[M].WorldScientific, 2008, 1(1):1-41.
【发明内容】
[0012] 针对现有方法的不足，本发明应用CPU多线程线程池技术和基于CUDA的GPGPU方 法对EEMD算法进行并行化设计，使该算法在数据精度和时间消耗上达到一个优化的状态， 并结合希尔伯特黄变换化ilbed-Huan巧ransfornbHHT)，应用希尔伯特变换与香农赌的概 念得到希尔伯特-黄谱赌化nbed-HuangSpectral化t;ropy，HHS巧来更提取信号更多的 物理特征，皿SE是一个更精确和近连续信号的能量分布，各个IMF和皿SE精确地描述了原 始信号的物理本质，应用EEMD和HHT算法对脑电信号进行更深入的研究和分析。
[0013] 本发明所采用的技术方案是：一种基于GPGPU的非线性非稳态复杂信号自适应分 解方法，其特征在于，包括W下步骤：
[0014] 步骤1 :初始化输入信号X(t)，计算本征模态函数IMF(intrinsicmode 化nctions，本征模态函数）的数目NI:
[0015] NI= 1〇邑2 (length)-1
[0016] 其中，= 1，2,…，吼表示NI个本征模态函数，length是初始信号x(t)的 长度；
[0017] 步骤2 :设置输入信号x(t)的白噪声信号幅度，设置整体实验次数trial为NTE， 初始化trial次数k= 1 ; 阳〇1引步骤3 :在第k次trial时，令Xk(t) =x(t)+rik(t)，其中rik(t)表示通过设定幅度 添加的白噪声，并且令i= 1 ;初始化剩余信号为ri(t) =Xk(t);
[0019] 步骤 4:在提取第k次trial的第i个IMF时，令j= 1，hj1(t) =r; (t)，hj1(t) 表示第j-1次trial的IMF;
[0020]步骤5 :计算hj1(t)的局部最小值hmi。(t)和最大值hmaxω;
[OOW步骤6对最小值和最大值hmg,(t)用；次曲线进行插值，用来提取h,i(t) 上部包络线和下部包络线，然后计算上部包络线和下部包络线的均值m，i(t)，得到第j次 的hj(t)，即： 阳022]hj(t) =hj1(t) -m.j1(t); 阳02引步骤7 :检验hjω是否为IMF;
[0024] 若否，则j=j+1，并返回执行步骤5 ; 阳02引若是，第k次trial的第i个IMF值便可W得到，即imfi比](t) =hj(t)，然后令rw(t) = 比](t)作为新的残余信号，并顺序执行下述步骤8 ;
[0026] 步骤8 :判断rw(t)是否有2个W上的极值；
[0027] 若是，则令i=i+1，并返回执行步骤4;
[0028] 若否，则分解的过程第k次trial便终止了，因此，运个添加了白噪声的信号Xk(t) 能被分解为
其中rwi(t)是Xk(t)的残余信号；并顺序执行下述步骤 9 ；
[0029] 步骤9 :判断k是否大于阔值ΝΤΕ;
[0030] 若否，则令k=k+1，并返回执行步骤3 ;
[0031] 若否，则预先设置的全部实验次数结束，并且原始信号x(t)第i个IMF信号便可 W是所有次数trial的平均值，即：
[0032]
阳03引其中，i= 1，2，...'ΝΤΕ;
[0034] 步骤10 :在得到IMF分量后，对IMF分量用希尔伯特变换进行处理：
[0035]
[0036] 其中，IMF分量的瞬时角频率W(t)和幅度a(t)为：
[0039] 步骤11 :振幅的时频分布被定义为振幅谱，记为H(w，t)，称为化Aed谱，用函数 讯来表示（W,t)，即：h讯=/Η(W,t)化；
[0040] HUbed边际谱标准化后得到：
[0044] 通过对赌值的进一步log(脚分解，赌值被归一化为：
[0045]
[0046] 式中：HHSE表示希尔伯特黄谱赌，N表示频率的个数。
[0047] 作为优选，步骤4中对ΝΤΕ次trial做并行化处理，对于ΝΤΕ个Trial的处理，主 机调用ΝΤΕ个线程块，每个线程块分配128个线程，每个线程用于计算8个数据点的极值； 步骤5中主机调用ΝΤΕ个线程块，每个线程块分配1个线程用于处理包络线的计算，包络线 的计算采用Ξ次样条插值法；主机再次初始化ΝΤΕ个线程块，每个线程块分配128个线程， 调用128ΧΝΤ个CUDA线程并行完成ΝΤΕ个Trial的IMF提取运算。 W48] 与现有的传统的基于总体经验均值模式方法巧EMD)相比，本发明具有W下优点 和有益效果：
[0049] (1)本发明通过对传统的EEMD算法进行改进，使得算法能够快速的处理大规模高 维数据分析问题；
[0050] 似应用基于CPU多线程的线程池技术和基于GPU多线程的CUDA技术，利用两种 技术都达到了ffiMD算法并行化的目的，而且并行化后的算法比之前在效率和精度上都